[发明专利]一种人体摔倒行为识别算法

权利要求书

1.一种人体摔倒行为识别算法，其特征在于：包括以下步骤：

S1、识别视频画面内的骨架信息，并基于骨架信息获取骨架特征数据；

S2、将骨架特征数据输入训练好的第一摔倒识别模型中，得到第一摔倒识别结果；

S3、将视频画面中骨骼点在空间坐标系内的投影坐标转换为RGB值，并转换为骨骼点灰度图像；

S4、将骨骼点灰度图像输入训练好的第二摔倒识别模型中，得到第二摔倒识别结果；

S5、综合判断第一摔倒识别结果、第二摔倒识别结果，得到人体摔倒检测识别结果。

2.根据权利要求1所述的人体摔倒行为识别算法，其特征在于：S1中识别视频画面内的骨架信息，包括：

对视频画面进行帧处理，并采用预先设置的人体骨架识别模型提取帧画面中的骨架信息。

3.根据权利要求2所述的人体摔倒行为识别算法，其特征在于：S1中基于骨架信息获取骨架特征数据，包括：

基于骨架信息获得整体位置信息和局部骨架信息，对整体位置信息和局部骨架信息进行汇总，得到骨架特征数据。

4.根据权利要求3所述的人体摔倒行为识别算法，其特征在于：所述基于骨架信息获得整体位置信息和局部骨架信息，包括：

遍历骨架信息，得到骨骼点位置坐标的最大值和最小值，并基于位置坐标的最大值和最小值计算得到整体位置信息；

计算骨架信息中各骨骼点位置坐标与整体位置信息的差值，汇总后得到局部骨架信息。

5.根据权利要求1所述的人体摔倒行为识别算法，其特征在于：S2中将骨架特征数据输入训练好的第一摔倒识别模型之前，包括：

获取骨架特征数据训练集，构建第一摔倒识别模型，并确定相应的损失函数；

将骨架特征数据训练集输入第一摔倒识别模型进行模型训练，并通过损失函数计算损失值；

当损失值区趋于收敛或者小于损失阈值时，停止模型训练，得到训练好的第一摔倒识别模型，否则调整第一摔倒识别模型的模型参数，并继续进行模型训练。

6.根据权利要求5所述的人体摔倒行为识别算法，其特征在于：所述损失函数定义如下：

其中，loss为损失值，N为骨架特征数据训练集的数量，T为骨架特征数据训练集每组骨架特征数据的数量，R为骨架特征数据训练集中各组骨架特征数据对应的摔倒标签，R’为与骨架特征数据训练集中各组骨架特征数据对应的输出结果。

7.根据权利要求5所述的人体摔倒行为识别算法，其特征在于：所述损失阈值的计算方法，包括：

获取骨架特征数据训练集中各组骨架特征数据第一次输入第一摔倒识别模型后得到的损失值；

计算各损失值在高斯分布下的均值和标准差，根据均值和标准差得到损失阈值。

8.根据权利要求1所述的人体摔倒行为识别算法，其特征在于：S3中将视频画面中骨骼点在空间坐标系内的投影坐标转换为RGB值，并转换为骨骼点灰度图像，包括：

将帧画面中各骨骼点投影在空间坐标系内的平面中，并通过下式将投影坐标转换为RGB值：

其中，C_R、C_G、C_B分别为RGB值，(x_ij，y_ij，z_ij)为第i个帧画面中第j个骨骼点在空间坐标系内的投影坐标，x_max、x_min分别为各帧画面中所有骨骼点对应x_ij的最大值、最小值，y_max、y_min分别为各帧画面中所有骨骼点对应y_ij的最大值、最小值，z_max、z_min分别为各帧画面中所有骨骼点对应z_ij的最大值、最小值；

将转换后得到的彩色图像转换为灰度图像，得到骨骼点灰度图像。

9.根据权利要求1所述的人体摔倒行为识别算法，其特征在于：S4中将骨骼点灰度图像输入训练好的第二摔倒识别模型之前，包括：

获取人体摔倒和未摔倒对应的骨骼点灰度图像，构建骨骼点灰度图像训练集，同时构建第二摔倒识别模型；

将骨骼点灰度图像训练集输入第二摔倒识别模型，并采用R-STDP算法进行模型训练；

当神经元突触的权重变化达到阈值时，停止模型训练，得到训练好的第二摔倒识别模型。